← トップへ戻る

プレプリント ·研究論文 ·速報 ·AI要約未精査 ·AIによる読み解き

手続き的知識と宣言的知識を分離するVLAモデル：ロボティクスへの新たな可能性

ビジョン-言語-行動モデルにおける手続き的知識と宣言的知識の分離を可能にするw$^{2}$VLAモデルが提案されました。

元記事タイトル: ビジョン-言語-行動モデルにおける手続き的知識と宣言的知識の分離

arXiv cs.AI 2026年06月23日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

新しいw$^{2}$VLAモデルは、ロボットエージェントのゼロショットスキル転送能力を向上させる
手続き的知識と宣言的知識を分離することで柔軟性を高める
実世界での汎用ロボティクス応用に寄与

こんな人に関係ある話

AI研究者ロボティクスエンジニア機械学習専門家

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究では、汎用ロボットエージェントが実世界で動作するためには、転移可能なスキルが必要であることが指摘されています。現在のビジョン-言語-行動（VLA）モデルは、特定のオブジェクトに対するデモから学習した手続き的知識と宣言的知識を分離できず、これはゼロショットスキル転送における重要なボトルネックとなっています。研究者は、この問題に対処するための新しいアプローチとしてw$^{2}$VLAモデルを提案しています。

編集部コメント

この研究は、ビジョン-言語-行動モデルにおける手続き的知識と宣言的知識の分離という重要な問題に取り組んでいます。これは、ロボティクス技術の進歩にとって不可欠な一歩であり、実世界での応用可能性を高めると期待されます。

評価ポイント Assessment

良い点

手続き的知識と宣言的知識の分離が可能に
ロボットエージェントのゼロショットスキル転送能力向上
既存のVLAMよりも柔軟性と解釈可能性が高い

業界・社会への影響 Impact

この研究は、実世界での汎用ロボティクスにおける重要な課題であるデータ収集の効率化とスキル転送能力向上に寄与します。また、VLAモデルの進歩により、より複雑なタスクや環境への対応が可能になります。

深堀り Deep Dive

前提知識

汎用ロボットエージェントの実世界での効果的な動作には、転移可能なスキルが求められる。現在のビジョン-言語-行動モデル(VLA)は、大規模なデータセットから学習し、特定のタスクを処理する能力を持つが、異なるオブジェクトや状況へのゼロショット対応力は弱い。これは、これらのモデルが手続き的知識と宣言的知識を分離できず、その結果、新しいオブジェクトに対する行動転送が困難であるためだ。

何が新しいのか

この研究では、手続き的知識と宣言的知識の分離を目指すw$^{2}$VLAモデルが提案されている。従来のVLAsは、全ての多モーダルトークンをアクション専門家に直接投げ込むのに対して、w$^{2}$VLAでは視覚や空間情報を使ってロボットの状態シーケンスを調整するため、知識表現が成功裏に分離され、ゼロショットスキル転送能力が向上した。

今後見るべき論点

w$^{2}$VLAモデルの実世界での適用効果と性能確認
異なる環境やタスクに対する汎用性と適応力
手続き的知識と宣言的知識の分離技術が他のAI分野への影響

用語解説

ビジョン-言語-行動モデル(VLA) 視覚情報、言語命令から行動を生成するロボット制御システム

手続き的知識特定のタスクを行うための手順や方法論

宣言的知識概念やオブジェクトの意味など、情報そのものの理解

ゼロショットスキル転送未知の状況でも新しいスキルを素早く習得できる能力

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

ビジョン-言語-行動モデルにおける手続き的知識と宣言的知識の分離

arXiv cs.AI

https://arxiv.org/abs/2606.21496

この記事の見取り図

読む前に確認
記事の読み解き
深堀り
参照元
AI要約について
関連記事

キーワード

Vision-Language Model VLAモデル手続き的知識宣言的知識ゼロショットスキル転送

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

速報について — 速報は追加調査や本文抽出の結果で内容が更新される場合があります。初期要約には誤りや不足が含まれる可能性があります。

記事データ

Source	プレプリント
Category	研究論文
Status	速報
出典	arXiv cs.AI
公開日	2026-06-23

元記事の説明文

arXiv:2606.21496v1 Announce Type: cross Abstract: Deploying generalist robotic agents in the real world requires transferable skills. Specifically, a policy trained to clone a behavior from object-specific demonstrations must generalize beyond that object, otherwise data collection requirements become intractable. Recently, fine-tuning of pre-trained billion-parameter Vision-Language Models (VLMs), initially on large-scale robot datasets and then on fewer scenario-specific demonstrations, has emerged as the predominant paradigm for designing Vision-Language-Action (VLA) models. While these policies achieve state-of-the-art manipulation performance in-distribution, they remain brittle to minor spatial, semantic, and task variations. In this work, we address the inability of current models to decouple the declarative (i.e., concepts and entity semantics) from the procedural knowledge (i.e., how to do something) encoded in their parameters, which is a fundamental bottleneck for zero-shot skill transfer to novel objects. To address this, we propose w$^{2}$VLA, a new VLA model with restructured information flow. Rather than feeding all multimodal tokens from the VLM encoder into a large, opaque transformer-based action expert, our approach modulates the robot state sequence with visual, spatial, and skill information in a compositional and interpretable manner. Unlike popular, state-of-the-art VLAs, we show that our modular approach successfully decouples knowledge representations, enabling robust behavior cloning and unprecedented zero-shot skill transfer capabilities across dissimilar, unseen objects.